nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

16. Alternative Schätzverfahren für Komponentenmodelle

verfasst von : Rolf Weiber, Marko Sarstedt

Erschienen in: Strukturgleichungsmodellierung

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die Anfänge der Strukturgleichungsmodellierung mit latenten Variablen wurden vor allem durch den kovarianzanalytische Ansatz (LISREL; AMOS) dominiert. Mittlerweile hat aber auch PLS als ein komponentenbasierter Schätzansatz für Strukturgleichungsmodelle eine nicht minder hohe Bedeutung erlangt. Neben dem PLS-Ansatz hat die Methodenforschung mittlerweile eine Reihe weiterer komponentenbasierter Strukturgleichungsmodelle hervorgebracht. Ein sehr vielversprechendes Verfahren ist dabei die Generalized Structured Component Analysis (GSCA), welche im Gegensatz zu PLS ein globales Optimierungskriterium definiert und damit einen wesentlichen Kritikpunkt des PLS-Ansatzes aufgreift. Die GSCA wird in Abschn. 16.1 vergleichend zu PLS (Kap. 15) kurz vorgestellt und die Möglichkeiten der Modellevaluation mit GSCA aufgezeigt. Neben der GSCA wird mit der Universellen Strukturgleichungsmodellierung (USM) in Abschn. 16.2 ein weiterer komponentenbasierter Schätzansatz vorgestellt, der nicht nur eine prüfende, sondern gleichzeitig auch eine entdeckende Modellierung von Strukturgleichungsmodellen ermöglicht.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Kausalanalyse mit PLS

Nächstes Kapitel Anwendungsprobleme der Kausalanalyse und Lösungsansätze

Im Rahmen der Kovarianzstrukturanalyse können derartige Fragestellungen unter Rückgriff auf die Modification Indices bearbeitet werden (vgl. Abschn. 11.2). Diese zeigen auf, welche zusätzlichen Beziehungen neben den spezifizierten Hypothesen einen besseren Modell-Fit versprechen, so dass hierüber Anhaltspunkte auf unberücksichtigte Kernhypothesen (Beziehungen) abgeleitet werden können.

Neuronale Netze liefern in vielen Anwendungen, bei denen große Datenmengen vorliegen, oft sehr gute Ergebnisse etwa zu Prognosezwecken. Jedoch besteht zumeist das Problem, aus der Netzstruktur interessierende Sachverhalte ableiten zu können. So bleibt üblicherweise verborgen, welche Faktoren besonders wichtig sind oder wie die Wirkbeziehungen konkret aussehen.

A-priori Wahrscheinlichkeiten in Form von subjektiven Wahrscheinlichkeiten können u. a. durch Wettspiele, an denen Themenexperten teilnehmen, ermittelt werden. Das Einbringen von subjektiven Wahrscheinlichkeiten ist im Falle von kleinen Stichproben empfehlenswert (Buckler 2001). Eine apriori Wahrscheinlichkeit von 50 % entspricht dem konventionellen Vorgehen, bei dem ein Pfad zugelassen wird, d. h. auch herkömmliche PLS-Modelle implizieren eine a-priori Wahrscheinlichkeit von 50 % bzw. 0 %.

Der Vorschlag von Tenenhaus et al. (2005, S. 173) eines globalen Gütemaßes für PLS-Anwendungen testet im Prinzip nicht die Gesamtstruktur, sondern nimmt lediglich eine aggregierte Betrachtung der Güte der Messmodelle sowie des Strukturmodells vor.

Die Software NEUSREL wurde von Buckler entwickelt (vgl. www.neusrel.de).

Bzgl. der notwendigen Stichprobengröße stellt USM aufgrund der Besonderheiten des Bayes’schen Ansatzes für Neuronale Netze (anders als bei klassischen Neuronalen Netzen) a-priori keine erhöhten Anforderungen im Vergleich zu PLS (Buckler und Hennig-Thurau 2008, S. 65). Daher konnte eine Analyse des Beispieldatensatzes mit N = 192 „problemlos“ vorgenommen werden.

Dieses Ergebnis ist dabei konform mit den Analysen in Abschn. 11.3.2 bei denen anhand der Modification Indices auch dieser Pfad als besonders relevant identifiziert wurde.

NEUSREL findet in jüngster Zeit insbesondere Anwendung in der Unternehmenspraxis, da die Methodik die Komplexität der realen Zusammenhänge meist besser abzubilden weiß. Im Ergebnis führt beispielsweise das Aufzeigen von Nichtlinearitäten oft zu qualitativ anderen Handlungsempfehlungen und hilft Fehlentscheidungen zu vermeiden. Wichtige Anwendungsfelder sind die betriebliche Kundenbindungsforschung, Treiberanalysen zur optimierten Marketingbudgetverteilung, der Modellierung der Preisbereitschaftshebel sowie Analyse der Kundenpräferenzen zur Optimierung von Segmentierung und Positionierung auf Märkten.

Backhaus, K., Erichson, B., & Weiber, R. (2015). Fortgeschrittene Multivariate Analysemethoden (3. Aufl.). Wiesbaden: Springer Gabler.CrossRef

Buckler, F. (2001). NEUSREL: Neuer Kausalanalyseansatz auf Basis Neuronaler Netze als Instrument der Marketingforschung. Göttingen: Cuvillier.

Buckler, F., & Hennig-Thurau, T. (2008). Identifying hidden structures in marketing’s structural models through universal structure modeling: An explorative neural network complement to LISREL and PLS. Marketing Journal of Research and Management, 4, 47–66.

Cho, G., Jung, K., & Hwang, H. (2019). Out-of-bag prediction error: A cross validation index for generalized structured component analysis. Multivariate Behavioral Research, 54(4), 505–513.CrossRef

Cho, G., Hwang, H., Sarstedt, M., & Ringle, C. M. (2020). Cutoff criteria for overall model fit indexes in generalized structured component analysis. Journal of Marketing Analytics, 8(4), 189–202.CrossRef

Cho, G., Sarstedt, M., & Hwang, H. (2021). A comparison of covariance structure analysis, partial least squares path modeling and generalized structured component analysis in factor- and composite models. British Journal of Mathematical and Statistical Psychology, erscheint demnächst.

De Leeuw, J., Young, F. W., & Takane, Y. (1976). Additive structure in qualitative data: An alternating least squares method with optimal scaling features. Psychometrika, 41(4), 471–503.CrossRef

Granger, C. W. J. (1980). Testing for causality – A personal viewpoint. Journal of Econometric Dynamics and Control, 2, 329–352.CrossRef

Homburg, C., Giering, A., & Hentschel, F. (1999). Der Zusammenhang zwischen Kundenzufriedenheit und Kundenbindung. In M. Bruhn & C. Homburg (Hrsg.), Handbuch Kundenbindungsmanagement (2. Aufl., S. 81–112). Wiesbaden: Springer.CrossRef

Homburg, C., Koschate, N., & Hoyer, W. D. (2005). Do satisfied customers really pay more? A study of the relationship between customer satisfaction and willingness to pay. Journal of Marketing, 69, 84–96.CrossRef

Hubona, G., Schuberth, F., & Henseler, J. (2021). A clarification of confirmatory composite analysis (CCA). International Journal of Information Management, 61, 102399.

Hwang, H., & Takane, Y. (2004). Generalized structured component analysis. Psychometrika, 69(1), 81–99.CrossRef

Hwang, H., & Takane, Y. (2014). Generalized structured component analysis: A component-based approach to structural equation modeling. Boca Raton: Chapman and Hall/CRC.CrossRef

Hwang, H., Jung, K., & Kim, S. (2019). Web GeSCA (Version 1.5). http://sem-gesca.com/webgesca/. Zugegriffen am 02.08.2021.

Hwang, H., Sarstedt, M., Cheah, J.-H., & Ringle, C. M. (2020). A concept analysis of methodological research on composite-based structural equation modeling: Bridging PLSPM and GSCA. Behaviormetrika, 47(1), 219–241.CrossRef

Hwang, H., Malhotra, N. K., Kim, Y., Tomiuk, M. A., & Hong, S. (2010). A comparative study on parameter recovery of three approaches to structural equation modeling. Journal of Marketing Research, 47(4), 699–712.CrossRef

Kenny, D. A., & Judd, C. M. (1984). Estimating the nonlinear and interactive effects of latent variables. Psychological Bulletin, 96, 201–210.CrossRef

Plate, T. (1998). Controlling the hyper-parameter search in MacKay’s bayesian neural network framework. In G. Orr, K.-R. Müller & R. Caruana (Hrsg.), Neural networks: Tricks of the trade (S. 93–112). Berlin: Springer.CrossRef

Ringle, C. M., Wende, S., & Becker, J.-M. (2015). SmartPLS 3, Hamburg. www.smartpls.de.

Röder, S. (2012). Dienstleistungsqualität von Personal-Shared-Service-Organisationen aus Kundensicht. Berlin: Logos.

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347.CrossRef

Tenenhaus, M., Vinzi, V. E., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205.

XLSTAT. (2020). Excel Add-on: Generalisierte Strukturkomponentenanalyse (GSCA), New York. https://www.xlstat.com/de/loesungen/eigenschaften/generalized-structured-component-analysis-gsca.

Buckler, F. (2009). Causal analysis to the rescue: How to find success factors from survey data. Marketing Research, 21(3), 6–11.

Buckler, F. (2012). Universal structure modeling: Fulfilling Wolds vision of a path modeling without unfounded assumptions. In Modern modeling methods 2012, University of Connecticut (Conference paper).

Hwang, H., Cho, G., & Choo, G. (2021). GSCA Pro version 1.1. Montreal. www.gscapro.com.

Hwang, H., Desarbo, W. S., & Takane, Y. (2007). Fuzzy clusterwise generalized structured component analysis. Psychometrika, 72(2), 181–198.CrossRef

Hwang, H., Ho, M.-H. R., & Lee, J. (2010). Generalized structured component analysis with latent interactions. Psychometrika, 75(2), 228–242.

Hwang, H., Takane, Y., & Jung, K. (2017). Generalized structured component analysis with uniqueness terms for accommodating measurement error. Frontiers in Psychology, 8, 2137.CrossRef

Hwang, H., Takane, Y., & Tenenhaus, A. (2015). An alternative estimation procedure for partial least squares path modeling. Behaviormetrika, 42(1), 63–78.CrossRef

Hwang, H., Cho, G., Jung, K., Falk, C., Flake, J., Jin, J. M., & Lee, S. H. (2020). An approach to structural equation modeling with both factors and components: Integrated generalized structured component analysis. Psychological Methods, erscheint demnächst.

Titel: Alternative Schätzverfahren für Komponentenmodelle
verfasst von: Rolf Weiber
Marko Sarstedt
Verlag: Springer Fachmedien Wiesbaden
Buch: Strukturgleichungsmodellierung
Print ISBN: 978-3-658-32659-3

Electronic ISBN: 978-3-658-32660-9

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-658-32660-9_16